infojournalИнформатика и образованиеInformatics and education0234-04532658-7769Publishing House Education and Informatics10.32517/0234-0453-2021-36-9-40-46infojournal-763Research ArticleПЕДАГОГИЧЕСКИЕ ИЗМЕРЕНИЯ И ТЕСТЫPEDAGOGICAL ASSESSMENTS AND TESTSПовышение качества модели прогнозирования образовательных результатов студентов университетовImproving the quality of the university students’ academic performance prediction modelhttps://orcid.org/0000-0001-5153-4334КуприяновР. Б.KupriyanovR. B.

 Куприянов Роман Борисович, зам. начальника управления информационных технологий

г. Москва

 Roman B. Kupriyanov, Deputy Head of the IT Department

Moscow 

kupriyanovrb@mgpu.ruhttps://orcid.org/0000-0002-6520-0746ЗвонаревД. Ю.ZvonarevD. Yu.

 Звонарев Дмитрий Юрьевич, канд. тех. наук, доцент, директор многофункционального студенческого центра

г. Москва

 Dmitry Yu. Zvonarev, Candidate of Sciences (Engineering), Docent, Head of the Multifunctional Student Center

Moscow 

zvonarevd@mgpu.ruМосковский городской педагогический университетРоссияMoscow City UniversityRussian Federation202128122021094046Copyright © Куприянов Р.Б., Звонарев Д.Ю., 20212021Куприянов Р.Б., Звонарев Д.Ю.Kupriyanov R.B., Zvonarev D.Y.This work is licensed under a Creative Commons Attribution 4.0 License.https://info.infojournal.ru/jour/article/view/763

Прогнозирование образовательных успехов обучающихся является одной из актуальных задач интеллектуального анализа образовательных данных. В данной работе рассмотрено два исследовательских вопроса: повышение качества модели прогнозирования образовательных результатов обучающихся университета и внедрение разработанной модели в реальный образовательный процесс университета. Исследуемые модели прогнозирования основаны на алгоритмах градиентного бустинга над решающими деревьями и линейной регрессии. По результатам проведенного исследования было выявлено, что данные по использованию электронной и университетской библиотек позволяют повысить качество прогнозирования образовательных результатов обучающихся, а также подтверждается факт, что мониторинг образовательных результатов учащихся в динамике оказывается информативнее при принятии управленческих решений в образовательном процессе, чем ориентир на итоговые результаты по успеваемости. Изученные в настоящей работе модели прогнозирования образовательных результатов обучающихся могут быть использованы в образовательных организациях высшего образования для своевременного выявления обучающихся с высоким риском отчисления, предоставления обратной связи студентам и преподавателям в части образовательных успехов обучающихся и управления образовательным процессом.

Predicting the educational success of students is one of the actual tasks of the intellectual analysis of educational data. In this article, two research issues are considered: improving the quality of the university students’ academic performance prediction model and implementation the developed model into the real university educational process. The models predicting academic performance are based on XGBoost algorithm and the linear regression algorithm. According to the results of the study, it was revealed that data on the use of electronic and university libraries make it possible to improve the quality of predicting the students’ academic performance, and also confirm the fact that monitoring the students’ academic performance in dynamics is more informative in making managerial decisions in the educational process than the absolute values of the academic performance results. The models for predicting the students’ academic performance studied in this work can be used in educational institutions of higher education for the timely identification of at-risk students, providing feedback to students and teachers regarding the educational success of students and managing the educational process.

цифровая трансформация образовательного процессапрогнозированиеинтеллектуальный анализ образовательных данныхdigital transformation of educational processpredicting modeleducational data miningReferencesБеккер Дж. Образование по системе свободных искусств и наук: ответ на вызовы XXI в. Вопросы образования. 2015;(4):33–61. DOI: 10.17323/1814-9545-2015-4-33-61Becker J. Liberal arts and sciences education: Responding to the challenges of the XXIst century. Educational Studies. 2015;(4):33–61. DOI: 10.17323/1814-9545-2015-4-33-61Matzavela V., Alepis E. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments. Computers & Education. 2021:2(6):100035. DOI: 10.1016/j.caeai.2021.100035Matzavela V., Alepis E. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments. Computers & Education. 2021:2(6):100035. DOI: 10.1016/j.caeai.2021.100035Rodrigues M. W., Zárate L. E., I sotani S., Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics. 2018;35(6):1701–1717. DOI: 10.1016/j.tele. 2018.04.015Rodrigues M. W., Zárate L. E., I sotani S., Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics. 2018;35(6):1701–1717. DOI: 10.1016/j.tele. 2018.04.015Прошкина Е. Н., Балашова И. Ю. Анализ прогнозирования успеваемости студентов на основе радиальной базисной нейросети. Технические науки: традиции и инновации. Материалы III Mеждународной научной конференции. Казань: Молодой ученый; 2018:24–27. Режим доступа: https://moluch.ru/conf/tech/archive/287/13683/Proshkina E. N., Balashova I. Yu. Analysis of the academic success prediction based on the radial basis neural network. Engineering Sciences: Tradition and Innovation. Proc. 3d Int. Scientific Conf. Kazan, Molodoj uchenyj; 2018:24–27. Available at: https://moluch.ru/conf/tech/archive/287/13683/Куприянов Р. Б., Звонарев Д. Ю. Разработка модели прогнозирования образовательных результатов обучающихся для университетов. Искусственный интеллект и принятие решений. 2021;(2):11–20. DOI 10.14357/20718594210202Kupriyanov R. B., Zvonarev D. Yu. Developing of the student’s educational success prediction model for universities. Artificial Intelligence and Decision Making. 2021;(2):11–20. DOI 10.14357/20718594210202Луценко Я. В., Коржаков В. Е. Прогнозирование уровня предметной обученности студентов путем СК-анализа данных об их социальном статусе. Вестник Адыгейского государственного университета. Серия: Педагогика и психология. 2007;(3):53–61. Режим доступа: https://www.elibrary.ru/download/elibrary_11933816_22068154.pdfLutsenko Ya. V., Korzhakov V. E. Predicting the level of students’ subject proficiency by using the social cognitive method to analyze their social status data. The Bulletin of the Adyghe State University. Series: Pedagogy and Psychology. 2007;(3):53–61. Available at: https://www.elibrary.ru/download/elibrary_11933816_22068154.pdfHalde R. R., Deshpande A., Mahajan A. Psychology assisted prediction of academic performance using machine learning. Psychology assisted prediction of academic performance using machine learning. 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). P. 431–435. DOI: 10.1109/RTEICT.2016.7807857Halde R. R., Deshpande A., Mahajan A. Psychology assisted prediction of academic performance using machine learning. Psychology assisted prediction of academic performance using machine learning. 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). P. 431–435. DOI: 10.1109/RTEICT.2016.7807857Pardo A., Han F., Ellis R. A. Combining university student self-regulated learning indicators and engagement with online learning events to predict academic performance. IEEE Transactions on Learning Technologies. 2016;10(1):82–92. DOI: 10.1109/TLT.2016.2639508Pardo A., Han F., Ellis R. A. Combining university student self-regulated learning indicators and engagement with online learning events to predict academic performance. IEEE Transactions on Learning Technologies. 2016;10(1):82–92. DOI: 10.1109/TLT.2016.2639508Ramkumar Rajendran, Anurag Kumar, Carter K. E., Levin D. T., Biswas G. Predicting learning by analyzing eyegaze data of reading behavior. EDM. 2018.Ramkumar Rajendran, Anurag Kumar, Carter K. E., Levin D. T., Biswas G. Predicting learning by analyzing eyegaze data of reading behavior. EDM. 2018.Czibula G., Mihai A., Crivei L. S PRAR: A novel relational association rule mining classification model applied for academic performance prediction. Procedia Computer Science. 2019;(159):20–29. DOI: 10.1016/j.procs.2019.09.156Czibula G., Mihai A., Crivei L. S PRAR: A novel relational association rule mining classification model applied for academic performance prediction. Procedia Computer Science. 2019;(159):20–29. DOI: 10.1016/j.procs.2019.09.156Ajibade S.-S. M., Nor Bahiah Hj. A., Siti M. Hj. Sh. A data mining approach to predict academic performance of students using ensemble techniques. Proc. Int. Conf. on Intelligent Systems Design and Applications (ISDA). 2018:749–760. DOI: 10.1007/978-3-030-16657-1_70Ajibade S.-S. M., Nor Bahiah Hj. A., Siti M. Hj. Sh. A data mining approach to predict academic performance of students using ensemble techniques. Proc. Int. Conf. on Intelligent Systems Design and Applications (ISDA). 2018:749–760. DOI: 10.1007/978-3-030-16657-1_70Mudasir Ashraf, Majid Zaman, Muheet Ahmed. An intelligent prediction system for educational data mining based on ensemble and filtering approaches. Procedia Computer Science. 2020;(167):1471–1483. DOI: 10.1016/j.procs.2020.03.358Mudasir Ashraf, Majid Zaman, Muheet Ahmed. An intelligent prediction system for educational data mining based on ensemble and filtering approaches. Procedia Computer Science. 2020;(167):1471–1483. DOI: 10.1016/j.procs.2020.03.358Breiman L. Random forests. Machine Learning. 2001;(45):5–32. Available at: https://www.cise.ufl.edu/~anand/fa11/Breiman_Random_Forests.pdfBreiman L. Random forests. Machine Learning. 2001;(45):5–32. Available at: https://www.cise.ufl.edu/~anand/fa11/Breiman_Random_Forests.pdfFriedman J. H. Greedy function approximation: A gradient boosting machine. The Annals of Statistics. 2001;29: 1189–1232. Available at: https://www.jstor.org/stable/2699986?origin=JSTOR-pdfFriedman J. H. Greedy function approximation: A gradient boosting machine. The Annals of Statistics. 2001;29: 1189–1232. Available at: https://www.jstor.org/stable/2699986?origin=JSTOR-pdfFriedman J. H. Stochastic gradient boosting. Computational Statistics & Data Analysis. 2002;38:367-378. DOI:10.1016/S0167-9473(01)00065-2Friedman J. H. Stochastic gradient boosting. Computational Statistics & Data Analysis. 2002;38:367-378. DOI:10.1016/S0167-9473(01)00065-2Helmrich I. R., van Klaveren D., Steyerberg E. W. Research Note: Prognostic model research: overfitting, validation and application. Journal of Physiotherapy. 2019;65(4):243–245. DOI: 10.1016/j.jphys.2019.08.009Helmrich I. R., van Klaveren D., Steyerberg E. W. Research Note: Prognostic model research: overfitting, validation and application. Journal of Physiotherapy. 2019;65(4):243–245. DOI: 10.1016/j.jphys.2019.08.009Lloyd S. P. Least squares quantization in PCM. IEEE Transactions on Information Theory. 1982;28(2):129–137. DOI: 10.1109/TIT.1982.1056489Lloyd S. P. Least squares quantization in PCM. IEEE Transactions on Information Theory. 1982;28(2):129–137. DOI: 10.1109/TIT.1982.1056489MacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symp. on Math. Statistics and Probability. 1967:281–297. Available at: http://www.cs.cmu.edu/~bhiksha/courses/mlsp.fall2010/class14/macqueen.pdfMacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symp. on Math. Statistics and Probability. 1967:281–297. Available at: http://www.cs.cmu.edu/~bhiksha/courses/mlsp.fall2010/class14/macqueen.pdfКуприянов Р. Б., Семенов А. Л. Анализ динамики образовательных результатов студентов крупного педагогического университета. Вестник Московского городского университета. Серия: Информатика и информатизация образования. 2018;(1 (43)):66–71. Режим доступа: https://www.mgpu.ru/wp-content/uploads/2018/06/VestnikMGPU-Informatika-1-2018.pdfKupriyanov R. B., Semenov A. L. The analysis of dynamics of educational results of students of a large teacher training university. Vestnik of Moscow City University. Series: Informatics amd Informatization of Education. 2018;(1 (43)):66–71. Available at: https://www.mgpu.ru/wp-content/uploads/2018/06/Vestnik-MGPU-Informatika-1-2018.pdfLuque A., Carrasco A., Martín A., de las Heras A. The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition. 2019;91:216–231. DOI: 10.1016/J.PATCOG.2019.02.023Luque A., Carrasco A., Martín A., de las Heras A. The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition. 2019;91:216–231. DOI: 10.1016/J.PATCOG.2019.02.023

The authors declare that there are no conflicts of interest present.